Predictive hiring: wat voorspelt echt hoe goed iemand presteert op de werkvloer?

Wat is predictive hiring?

Predictive hiring is werkprestaties voorspellen op basis van bewijs dat je vóór het aannemen verzamelt.

De term wordt op twee manieren gebruikt. In de onderzoekstraditie gaat het om selectiemethoden zoals interviews, tests en werkproeven waarvan het verband met latere werkprestaties in veel studies is gemeten. In softwaremarketing gaat het vaak om een model dat is getraind op gegevens over mensen die eerder zijn aangenomen, en dat elke nieuwe sollicitant een matchpercentage geeft of op een ranglijst zet.

Het verschil zit in hoeveel van het bewijs je kunt zien. Achter gestructureerde interviews staan tientallen jaren gepubliceerd onderzoek. Een matchpercentage uit een model waar je niet in kunt kijken, heeft alleen het bewijs dat de maker ervan wil publiceren.

Dat weegt het zwaarst bij werving voor de werkvloer, waar de aantallen hoog zijn en veel sollicitanten weinig of geen cv hebben om op te sturen. Een tool die belooft de beste 20 uit 300 sollicitanten te halen, is aantrekkelijk. Waarop moet zo’n belofte gebaseerd zijn?

Wat betekent het als een methode werkprestaties voorspelt?

Het betekent dat er een gemeten verband is tussen de methode en latere resultaten in het werk.

Onderzoekers drukken dat verband uit als een correlatie, vaak validiteit genoemd: een getal tussen 0 (geen verband) en 1 (een perfect verband). Het getal beschrijft hoe goed een methode voorspelt over een groot aantal aangenomen mensen, en zegt weinig over één persoon: een verband van 0,42 betekent niet dat 42 procent van de beslissingen juist is. In validiteitsonderzoek naar selectiemethoden betekent het dat mensen met een betere uitkomst op de methode gemiddeld genomen ook beter presteerden in de functie.

Twee details bepalen of een gepubliceerd getal voor jou iets betekent.

Wat er als prestatie gold. De grote onderzoeksoverzichten gebruiken maatstaven voor algehele werkprestaties. De onderzoekers wijzen erop dat vaak onduidelijk is wat die maatstaven precies omvatten (Sackett en collega’s, 2023). Voor een functie op de werkvloer kunnen de uitkomsten die voor jou tellen, anders zijn: komen opdagen voor de eerste dienst, veilig werken, na het inwerken het verwachte picktempo halen, de opdracht afmaken, na de proeftijd nog in dienst zijn. Van een methode die algehele werkprestaties voorspelt, is niet automatisch aangetoond dat die ook een van deze uitkomsten voorspelt.

De spreiding rond het gemiddelde. De methode met het beste gemiddelde in het herziene onderzoek, het gestructureerde interview, komt uit op 0,42. Tussen de studies loopt de waarschijnlijke bandbreedte echter van 0,18 tot 0,66. De auteurs stellen voor het getal te lezen als “0,42, plus of min 0,24” (Sackett en collega’s, 2023). Zie een gemiddelde als vertrekpunt voor je eigen locatie.

Welke selectiemethoden voorspellen werkprestaties het best?

Methoden die zijn opgebouwd rond de specifieke functie, voorspellen het best; algemene signalen blijven achter.

In 2022 bekeken Paul Sackett en collega’s opnieuw de onderzoeksoverzichten waarop HR sinds 1998 vertrouwde. Ze stelden vast dat een statistische correctie vaak te ruim was toegepast, zodat de meeste toonaangevende methoden minder goed voorspellen dan gedacht, met gemiddelden die 0,10 tot 0,20 lager liggen. Ook de volgorde veranderde. Gestructureerde interviews kwamen bovenaan. Algemene cognitieve vaardigheid, lang gezien als de beste afzonderlijke voorspeller, zakte in hun herziening van 0,51 naar 0,31. Een latere analyse van steekproeven uit deze eeuw, beschreven in hun artikel uit 2023, kwam uit op 0,23 (Sackett en collega’s, 2022 en 2023).

Bronnen: Sackett en collega’s (2022, 2023), ook samengevat in TIP, een uitgave van SIOP; ervaring: Van Iddekinge en collega’s (2019), een overzicht van 81 steekproeven.

Over jaren ervaring schreven we een aparte blog, en over gestructureerde versus ongestructureerde interviews een apart artikel.

Waarom de beste voorspellers het lastigst in te zetten zijn bij volumewerving op de werkvloer

De onderzoekers trekken een conclusie die belangrijk is voor werving op de werkvloer. Meerdere methoden bovenaan de lijst werken alleen als sollicitanten al een functiespecifieke opleiding hebben, zoals bij vakkennistests en werkproeven. Gestructureerde interviews zijn lastig uit te voeren bij screening op grote schaal. Voor biodata zijn een lange ontwikkeling en grote validatiesteekproeven nodig (Sackett en collega’s, 2023).

Als 300 mensen solliciteren op 20 functies in een magazijn, heeft niemand tijd om ieder van hen gestructureerd te interviewen. Daarom valt het proces terug op wat snel gaat: een blik op het cv, een filter op jaren ervaring, een telefoontje dat elke keer anders verloopt, of een getal dat software uitrekent. Zo wint snelheid vanzelf en delft het bewijs het onderspit.

Onze visie: zorg dat je bij elke sollicitant, ook bij grote aantallen, de sterkere soorten bewijs verzamelt, en laat het oordeel aan een mens. Een slimmere gok over wie goed gaat presteren, is een zwakker doel dan beter bewijs voor de mensen die beslissen.

Bekijk hoe de AI Interviewer elke sollicitant voor een functie dezelfde functierelevante vragen stelt, op de eigen telefoon, op een moment dat het de sollicitant uitkomt.

Kunnen tools voor predictive hiring voorspellen wie goed gaat presteren?

Sommige misschien, maar een studie naar wat leveranciers beweren, vond weinig gepubliceerd bewijs.

Een onderzoeksteam bestudeerde de openbare beweringen van 18 leveranciers van algoritmische assessments waarmee sollicitanten worden gescreend. In hun overzicht stond voor maar 5 van de 18 informatie over validatie, en ze merkten op dat de websites van de leveranciers niet duidelijk maakten of de modellen gevalideerd waren. Acht leveranciers bouwden hun assessments op gegevens over de huidige en vroegere medewerkers van de klant zelf (Raghavan en collega’s, 2020).

Dat laatste ontwerp verdient aandacht. Een model dat is getraind op je huidige personeel, leert hoe je huidige personeel eruitziet. De onderzoekers wijzen erop dat de zoektocht daardoor overhelt naar kandidaten die lijken op de mensen die al zijn aangenomen. Als eerdere beoordelingen van prestaties vooroordelen bevatten, of als eerdere werving sommige groepen buitensloot, leert het model dat ook. Bovendien ziet het alleen uitkomsten van de mensen die je hebt aangenomen, nooit van de mensen die je hebt afgewezen.

Eén kanttekening: de studie geeft weer wat leveranciers in april 2019 publiceerden. Lees de studie als een beeld van hoe weinig bewijs kopers kregen aangeboden, niet als een oordeel over welk huidig product dan ook.

Een sterke toets ziet er anders uit. In een veldexperiment deelden de onderzoekers Brian Jabarian en Luca Henkel 70.000 sollicitanten voor instapfuncties in de klantenservice in de Filipijnen willekeurig in voor een gesprek met een menselijke recruiter of met een AI-spraakagent. Menselijke recruiters beoordeelden de gesprekken en namen de beslissingen over wie werd aangenomen. Sollicitanten die door de AI werden geïnterviewd, hadden 12 procent meer kans op een aanbod, en dat voordeel werkte door in het aantal mensen dat aan de slag ging en bleef, zonder dat de productiviteit van de aangenomen mensen daalde. De auteurs koppelen het resultaat aan gesprekken die gestructureerder en consistenter verliepen (Jabarian en Henkel, werkdocument, juli 2026).

Die studie toetste hoe bewijs werd verzameld, niet een model dat voorspelt wie goed gaat presteren. En één studie in één situatie beslecht de vraag niet voor elke functie. Ze laat wel zien naar welk soort bewijs het loont te vragen: willekeurige indeling, echte sollicitanten en uitkomsten die na het aannemen zijn gemeten.

Hoe toets je wat een leverancier zegt te kunnen voorspellen?

Vraag naar de studie, de uitkomst, de steekproef en de spreiding.

De beroepsrichtlijnen bepalen de norm. In januari 2023 publiceerde de Society for Industrial and Organizational Psychology (SIOP) aanbevelingen voor assessments op basis van AI. Daarin staat dat zulke assessments toekomstige werkprestaties of andere relevante uitkomsten nauwkeurig moeten voorspellen, consistente resultaten moeten opleveren die functierelevante kenmerken weerspiegelen, eerlijk en onbevooroordeeld moeten zijn, en dat elke stap in de ontwikkeling en in de manier waarop antwoorden worden beoordeeld, gedocumenteerd moet zijn, zodat die kan worden geverifieerd en geaudit (SIOP, 2023). In Nederland beoordeelt de COTAN, de testcommissie van het Nederlands Instituut van Psychologen (NIP), de kwaliteit van psychologische tests op zeven criteria, waaronder betrouwbaarheid, begripsvaliditeit en criteriumvaliditeit (NJi). Een tool die geen bewijs kan laten zien dat aan zulke normen is getoetst, vraagt je om hem op zijn woord te geloven.

Gebruik deze vragen in elke demo, ook in die van ons. Voor de rest van een aankoopbeslissing lees je hoe je AI-software voor werving kiest.

Hoe toets je wat werkprestaties voorspelt in je eigen functies?

Vergelijk uitkomsten die je al vastlegt met het bewijs dat je hebt verzameld.

Gepubliceerde gemiddelden vertellen je waar je begint. Je eigen gegevens vertellen je of een methode werkt op jouw locaties. De onderzoekers bespreken hoe je gepubliceerde schattingen kunt combineren met een lokale studie naar de methode die je gebruikt (Sackett en collega’s, 2023). Voor een eerste blik heb je geen statisticus nodig.

Voorbeeld ter illustratie. De cijfers hieronder zijn verzonnen om de methode te laten zien. Het zijn geen gegevens van een werkgever of uitzendbureau.

Een uitzendbureau vervult functies voor orderpickers bij één magazijn van een opdrachtgever. In zes maanden plaatst het 120 mensen. Bij elke plaatsing noteerde het op dat moment of elke eis van de functie vóór de start met bewijs was onderbouwd (een gecontroleerd certificaat, een gestructureerd antwoord over de diensttijden, een bevestigde startdatum), of dat een of meer eisen alleen op het woord van de kandidaat steunden. Het houdt ook bij wie er na 13 weken nog werkt.

Het verschil is 16 procentpunten (52 van de 70 tegenover 29 van de 50). Doe vier controles voordat iemand er iets mee doet:

Herhaal de vergelijking elk kwartaal en per locatie van de opdrachtgever. Houdt het verschil stand, dan heb je lokaal bewijs; verdwijnt het, dan is dat ook nuttig. Onze gids over quality of hire meten op de werkvloer noemt indicatoren die je kunt bijhouden.

Wat betekent dit voor werkgevers met personeel op de werkvloer en voor uitzendbureaus?

Steek je moeite in functierelevant bewijs, en laat mensen beslissen.

Wat het onderzoek je niet kan vertellen. De onderzoeksoverzichten combineren veel studies uit verschillende functies en situaties, meten algehele werkprestaties en zijn niet specifiek voor Nederland of voor werk op de werkvloer. Gebruik de gepubliceerde cijfers als richting en je eigen uitkomsten als toets.

Werkt predictive hiring?

Ja, in beperkte mate, als de voorspelling is gebaseerd op functierelevant bewijs.

Functiespecifieke methoden voorspellen beter dan jaren op een cv, en zelfs de beste daarvan vergroten je kansen als je veel mensen aanneemt, in plaats van te voorspellen wat één persoon gaat doen. De methoden die het best voorspellen, zijn het lastigst uit te voeren bij grote aantallen. Verzamel beter bewijs bij elke sollicitant, vraag elke tool, ook de onze, waarop de beweringen zijn gebaseerd, toets aan je eigen uitkomsten en laat een mens beslissen.

Hoe Radius helpt

Radius Hire is een AI-wervingsplatform voor functies op de werkvloer. Het verzamelt functierelevant bewijs bij elke sollicitant en laat dat zien aan een recruiter, die elke wervingsbeslissing neemt.

Radius is nieuw, dus dit artikel legt uit hoe het product werkt, zonder resultaten te claimen. Radius heeft geen validiteitsresultaten gepubliceerd, en we beweren niet dat de uitkomst ervan werkprestaties voorspelt. Het is gebouwd om de mensen die beslissen beter bewijs te geven, en het legt vast waarop elke beslissing was gebaseerd. Lees meer in Waarom we bewijs tellen en weigeren om kandidaten te rangschikken.